【技术实现步骤摘要】
本专利技术属于局部放电检测领域，涉及一种基于广义s变换的数据增强局部放电检测的方法。
技术介绍
1、局部放电检测在电力设备绝缘劣化程度判断、运行工况判断和故障预警方面有着重要作用。目前，常采用特高频法或者超声法，将传感器采集到的电磁或者声信号进行时频分析，从而判断出是否发生局部放电或者局部放电的类型。但是，传统的时频分析方法在低信噪比的情况下往往不能直接判断出是否发生局部放电或者放电的类型。
2、s变换(stransform，st)算法最早由stockwell提出，结合了小波变换和短时傅里叶变换的优点，使用高斯窗对信号进行时频变换，其窗宽与频率的倒数成正比，具有良好的时频特性，适合于非平稳信号的特征提取。但是，该算法对边界比较敏感，部分学者在此基础上提出含有窗调节因子的广义s变换，通过对调节因子的设定能够克服边界效应问题，同时满足对不同信号的特征提取。但是，局部放电信号总是受环境因素的影响，因此，在实际检测中如何选择调节因子是比较困难的。目前，采用基于深度学习的大部分模型虽然能够识别复杂环境中的放电模式，但是模型体量较大，不能集成到微型mcu上，无法实现局部放电的在线辨识。
3、综上所述，目前亟需一种泛化能力强，并具有低计算复杂度和高鲁棒性，可以应用在实时的局部放电检测领域，以提升输电设备运行的安全性。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于广义s变换的数据增强局部放电检测的方法。
2、为达到上述目的，本专利技术提供如下技术
3、基于广义s变换的数据增强局部放电检测的方法，该方法具体包括以下步骤：
4、s1：对采样信号x(1,n)进行初始化调节因子λ0的广义s变换，得到局部放电信号的时频分布灰度图a(m,n)，n为时频分布图的长度，即采样信号的长度，m为时频分布图的宽度；
5、s2：将时频分布灰度图a(m,n)输入轻量型神经网络计算模型平均损失值l和平均准确率acc；
6、s3：构造平均损失值最小和平均准确率最大的多目标非线性优化问题；
7、s4：将求解优化问题的最优解用于更新广义s变换的调节因子λ；
8、s5：将完成训练的轻量模型部署到mcu(microcontroller unit，微控制器)硬件用于电气设备局部放电的在线识别。
9、可选的，所述s1中，对采样信号x(1,n)进行初始化调节因子λ0的广义s变换，得到局部放电信号的时频分布灰度图a(m,n)；
10、s11：将放电信号x(t)进行离散处理，得到时间长度为n的信号x(1,n)；
11、s12：将放电信号x(1,n)进行离散广义s变换：
12、
13、t表示信号的采样间隔，n表示采样信号的长度，k控制s变换的时间变化,n和m控制s变换的频率变化，k,n,m＝0,1,...,n-1；x(·)是信号x(1,n)的快速傅里叶变换，λ为高斯窗调节因子，初始值λ0＝1，得到时频灰度分布图a(m,n)。
14、可选的，所述s2中，将时频分布灰度图输入轻量型神经网络，计算模型的平均损失值l和平均准确率acc；
15、s21：轻量型神经网络的设计：
16、在神经网络部分采用11层的结构，包括10个卷积层和1个全连接层，其中10个卷积层包括7个膨胀卷积和3个常规卷积；并用2倍卷积步幅代替池化操作；其中，输入的数据尺寸为128×128，全连接的输出为自定的辨识局部放电种类数量；
17、s22：使用交叉熵函数计算网络训练每一轮的平均损失值：
18、
19、其中，n为样本个数，k为分类数量，模型输出的第i个样本为k类的概率为pi,k；yi,k为真实的标签，是一个二元值采用独热编码，当模型估计的第i个样本属于类别k时yi,k为1，否则为0；
20、s23：计算网络训练每一轮的平均准确率acc：
21、
22、其中，是一个二元值，对于第i个样本，将模型输出的大概率值的类别k所对应的为设置为1，否则设置为0。
23、可选的，所述s3中，利用每一轮次的平均损失值和准确率构造平均损失值最小和准确率最大的多目标非线性优化问题，具体包括以下步骤：
24、s31：广义s变换中间变量的设定：
25、
26、其中，s(τ,f)是信号x(t)的连续广义s变换，τ和f分别表示时间和频率长度，t表示对信号时间的积分，ω(t-τ,f)是引入调节因子λ的高斯窗：
27、
28、调节因子λ受损失差α和准确率差β的控制：
29、
30、其中，l和l'分别是本次和前一轮训练的损失值，acc和acc'分别是本次和前一轮训练的精度，[]'i,k表示为前一次计算使用的值，λ'为前一次计算使用的窗口因子，t是方向参数：
31、
32、其中t'表示前一次的方向参数；
33、s32：对广义s变换的参数更新设置优化问题：
34、
35、
36、
37、其中，δ为高斯窗的宽度。
38、可选的，所述s4中，计算每一轮训练的平均损失值，平均精确度，更新广义s变换的高斯窗调节因子，具体包括以下步骤：
39、s41：设置模型的初始值：l0＝0、acc0＝0和λ0＝1分别为初始平均损失值、平均准确率和窗调节因子；
40、s42：训练完第一轮后按照下列式子更新模型的平均准确率acc、平均损失值l、损失差α、准确率差β和调节因子λ：
41、
42、其中，l和l'分别是本次和前一轮训练的损失值，acc和acc'分别是本次和前一轮训练的精度；
43、s43：到达训练最大次数imax结束后，找出最大准确率accmax下对应的调节因子λ*。
44、可选的，所述s5中，将含有最优窗调节因子λ*的广义s变换和准确率最高的轻量网络模型部署到微型mcu。
45、本专利技术的有益效果在于：能够同时提取放电信号的时域和频域特征，并具有低计算复杂度和高鲁棒性，可以应用在局部放电的在线识别于预警设备中。
46、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.基于广义S变换的数据增强局部放电检测的方法，其特征在于：该方法具体包括以下步骤：
2.根据权利要求1所述的基于广义S变换的数据增强局部放电检测的方法，其特征在于：所述S1中，对采样信号x(1,N)进行初始化调节因子λ0的广义S变换，得到局部放电信号的时频分布灰度图A(M,N)；
3.根据权利要求1所述的基于广义S变换的数据增强局部放电检测的方法，其特征在于：所述S2中，将时频分布灰度图输入轻量型神经网络，计算模型的平均损失值L和平均准确率Acc；
4.根据权利要求1所述的基于广义S变换的数据增强局部放电检测的方法，其特征在于：所述S3中，利用每一轮次的平均损失值和准确率构造平均损失值最小和准确率最大的多目标非线性优化问题，具体包括以下步骤：
5.根据权利要求1所述的基于广义S变换的数据增强局部放电检测的方法，其特征在于：所述S4中，计算每一轮训练的平均损失值，平均精确度，更新广义S变换的高斯窗调节因子，具体包括以下步骤：
6.根据权利要求1所述的基于广义S变换的数据增强局部放电检测的方法，其特征在于：所述S5中，将含
...【技术特征摘要】
1.基于广义s变换的数据增强局部放电检测的方法，其特征在于：该方法具体包括以下步骤：
2.根据权利要求1所述的基于广义s变换的数据增强局部放电检测的方法，其特征在于：所述s1中，对采样信号x(1,n)进行初始化调节因子λ0的广义s变换，得到局部放电信号的时频分布灰度图a(m,n)；
3.根据权利要求1所述的基于广义s变换的数据增强局部放电检测的方法，其特征在于：所述s2中，将时频分布灰度图输入轻量型神经网络，计算模型的平均损失值l和平均准确率acc；
4.根据权利要求1所述的基于广义s变换的数据...
【专利技术属性】
技术研发人员：廖劲松，蒋江松，周鹏，黄星于，杨川，吴海燕，张溢，侯书涵，
申请(专利权)人：重庆草街航运电力开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。